X
تبلیغات
وکیل جرایم سایبری

CUDA Programming Applications

بخش بندی عنبیه با استفاده از تبدیل هاف بهبودیافته بر پایه پردازنده های گرافیکی

از دیرباز شناسایی افراد از اهمیت بسیار زیادی برخوردار بوده است. یکی از روشهای قابل اطمینان، استفاده از روشهای بیومتریک است. بیومتریک عبارت است از تشخیص هویت افراد با استفاده از فیزیولوژی و رفتار آنها. تشخیص هویت از طریق بافت عنبیه یکی از روشهای بسیار دقیق است. عنبیه به دلیل بافت منحصربه فرد، قابلیت اطمینان، پایداری و سادگی در مقایسه با سایر روشهای بیومتریک مانند اثرانگشت و ... توجه زیادی را به خود جلب کرده است. محبوبترین طرحهای شناسایی بیومتریک برای چند سال گذشته به کارگیری تشخیص عنبیه بوده است. کارایی سیستم تشخیص عنبیه به بخش بندی بستگی زیادی دارد. روشهای پیشنهادی تشخیص عنبیه شامل پیش پردازش، بخش بندی، استخراج ویژگی و شناسایی میباشد.
تبدیل هاف یک روش بسیار مؤثر برای شناسایی اشکال در یک تصویر است. در ابتدا تبدیل هاف برای پیداکردن خط در یک تصویر استفاده می شد سپس برای شناسایی اشکال دیگر مانند دایره و بیضی بهبود پیدا کرد. خروجی یک الگوریتم تشخیص لبه مانند کنی به عنوان ورودی به مرحله تبدیل هاف است، الگوریتم تبدیل هاف برای تصاویری که دارای خطای بالایی باشند (در تصویر نقص وجود داشته باشد)بسیار مؤثر است. تمام این مراحل شامل مقدار زیادی از محاسبات است، که میتوان با استفاده از الگوریتم های موازی بهره وری سیستم را افزایش داد. در حال حاضر به دلیل ساختار موازی شده کارتهای گرافیکی و همچنین ارائه تولکیت هایی برای استفاده بهتر از این کارتها،بهترین گزینه برای پردازشهای سنگین با سرعت بالا و به صورت موازی هستند. بیشتر بار پردازشی شناسایی عنبیه در بخش بندی آن خلاصه می شود. به همین دلیل تبدیل هاف که یکی از قسمتهای اصلی بخش بندی میباشد به صورت موازی بر روی کارت گرافیک اجراشده است. این روش پس از پیاده سازی بر روی مجموعه ای از عکسهای عنبیه بازدهی 50 درصدی در حالت میانگین به دست آورده است .یک روش مناسب برای شناسایی الگو باید نسبت به تغییرات اندازه، محل و جهت الگوی عنبیه مقاوم باشد. این به این معنا است که در مسئله ی شناسایی عنبیه، ما باید نتیجه ای را ارائه نماییم که نسبت به تغییرات نوری اندازه ی عنبیه در عکس که به فاصله از چشم و عامل درشت نمایی دوربین بستگی دارد، نسبت به اندازه ی مردمک درون عنبیه، همچنین نسبت به مکان عنبیه در عکس و نسبت به جهت گیری عنبیه که به کجی سر، چرخش پیچشی چشم ها در جایگاه خود و زاویه دوربین ها همراه با عکسبرداری از درون آینه های یابنده چشم که عوامل چرخش بیشتری را به عنوان تابعی برای محل چشم، محل دوربین و زوایای آینه ها ارائه میکند، بستگی دارد، بدون تغییر بماند. خوشبختانه، عدم تغییر نسبت به تمام این فاکتور ها در حال حاضر امکان پذیر است .


 مراحل اصلی تشخیص هویت با استفاده از تصاویر عنبیه

1-محلی سازی 2- نرمال سازی 3- استخراج ویژگی 4- انطباق


محلی سازی
در این مرحله مرزهای داخلی و خارجی عنبیه استخراج میشوند. تصویر گرفتهشده از عنبیه فقط شامل ناحیه مورد نظر نیست و شامل قسمتهای غیرمفید مانند پلک و مردمک نیز میباشد، بنابراین به طور مستقیم نمیتوان از این تصاویر استفاده کرد، علاوه برآن موقعیت چشم و دوربین خیزمی تواند در کیفیت آن تأثیر بگذارد. بهعنوانمثال اگر فاصله شخص با دوربین کم یا زیاد گردد، اندازه عنبیه تغییر میکند؛ همچنین نویزهای موجود در محیط نیز تأثیر فراوانی در کیفیت عکس خواهند داشت، برای تشخیص هویت افراد در مکانهای عمومی مثلاً در فرودگاهها معمولاً از مدارکی مانند گذرنامه که حاوی مشخصات صاحب آن است استفاده میشود. این نوع معیارهای شناسایی قابلیت اطمینان پایینی دارند چون میتوان آنها را بهراحتی جعل کرد. به همین دلیل لازم است که از یک روش که بر مبنای بدن انسان است برای شناسایی استفاده کرد. روشی که هم منحصربهفرد باشد هم بهراحتی قابلاندازهگیری باشد و در طول زمان تغییر نکند. به این منظور باید یک پردازش اولیه برای تنظیم عکس گرفتهشده ازلحاظ مشخص کردن محل عنبیه، نرمالیزه کردن عنبیه و کاهش نویزهای ذکرشده، انجام شود. روشهای گوناگونی در مقالات مرتبط با تشخیص عنبیه وجود دارد. با توجه به اینکه در مقوله شناسایی هویت از طریق تصویر عنبیه، کارهای اصلی در رابطه با قسمت کدینگ آن تصویر و استخراج ویژگیهایی است که بهراحتی قابل پیادهسازی میباشند و میتوان از آنها بهمنظور تطابق استفاده کرد. بعد از استخراج عنبیه، به دست آوردن مرزهای خارجی و داخلی و مشخصات دیگر آن، با مقایسه آنها با دادههای بانک اطلاعاتی که مشخصات افراد موردنظر را ثبت میکنند، نتیجه پردازش تصویر خود را اعلام مینماید؛ بهعنوانمثال آیا شخص اجازه ورود یا خروج را دارد یا خیر.
نرمالسازی
عنبیه برای افراد مختلف ممکن است دارای اندازه متفاوتی باشد. اندازه عنبیه یک فرد نیز میتواند به دلیل تغییر در نورپردازی محیطی و عوامل دیگر تغییر کند؛ بنابراین، نرمالسازی برای دستیابی به تصاویردر یک شکل به صورت یکسان است .
استخراج ویژگی
عنبیه به اطلاعات بافت کمک فراوانی میکند. درواقع باعث ایجاد بردار عنصری تولیدشده خواهد شد که مرکب از توالی ساختار یافته عناصر استخراج شده از یک طیف نمایش های تصاویر عنبیه است .
انطباق
بردارهای عناصر تولیدشده با روش آستانه مختلف مانند بردار وزن و انتخاب برنده، فاصله همینگ ، تابع عدم شباهت و غیره، طبقهبندیشدهاند. بهمحض آنکه محلی سازی انجام گرفت، پلکها و مژهها که ممکن است عنبیه را بپوشانند، حذف میشوند. سیم زنده  یکی از روشهایی است که برای محلی سازی مرزهای پلک بر اساس نقاط تقاطع بین پلک و مرز بیرونی عنبیه ایجادشده است. در مرحله بعد، نرمالسازی تصویر عنبیه را از مختصات کارتسین به مختصات قطبی تبدیل میکند.

 مرجع:امامی میبدی رامین -بخش بندی عنبیه با استفاده از تبدیل هاف بهبودیافته بر پایه پردازنده های گرافیکی-پایان نامه کارشناسی ارشد-سال1395

روشی سریع دربازیابی تصاویر مبتنی بر محتوا با استفاده از ترکیب ویژگی لبه و رنگ

در [روشی سریع دربازیابی تصاویر مبتنی بر محتوا با استفاده از ترکیب ویژگی لبه و رنگ]رویکرد جدیدی برای بازیابی تصاویر مبتنی بر محتوا(CBIR) ارائه گردیده است. جهت استخراج ویژگی از دو ویژگی رنگ HSV و گرادیان لبه استفاده شده است. بدین صورت که ابتدا برای استخراج ویژگی لبه بر روی تصویر الگوی باینری محلی اعمال شده تا لبه های تصویر برجسته تر شوند سپس برروی تصویر حاصل از الگوی باینری محلی هیستوگرام گرادیان (SRF)که از مجموع دو اپراتور سوبل و رابرتز استفاده می کند تا زوایای افقی و عمودی و مورب را نمایش دهد استفاده می شود، جهت استخراج ویژگی رنگ با تبدیل فضای رنگ RGBبه فضای رنگ HSI و کمی سازی آن ویزگی رنگ بدست می آید.

1- استخراج ویژگی:

1-1:رنگ یکی از متداولترین و تعیین کننده ترین ویژگی دیداری در زمینه بازیابی تصویر است، چرا که نسبت به تغییرات مربوط به اندازه ،جهت ، دورنمایی و اغتشاش تصویر پایدار است.عمومی ترین روش در بازیابی رنگ تصاویر استفاده از هیستوگرام رنگ است که از مهمترین تکنیک های بازیابی تصویر بر اساس رنگ است.

اولین گام در تشکیل هیستوگرام رنگ،مشخص کردن فضای رنگ است. به صورت عمومی فرمت های مختلف تصاویر همچون GIF ، BMP و ... فضای رنگ RGB را در خود دارند. در صورت انتخاب این فضا محاسبات کمتری را خواهیم داشت اما مسئله قابل توجه یکنواخت نبودن از جهت ادراکی است. به همین دلیل ما در این مقاله فضای RGB را به فضای HSV تبدیل کردیم تا خاصیت یکنواختی ادراکی را شاهد باشیم. ابعاد تشکیلدهنده این فضا،رنگ را بر اساس رده (H) یا طول موج، درجه اشباع رنگ (S) و درجه روشنایی آن (V) تعریف میکنند. فضای مذکور یک فضای مخروطی است، که در آن :
١ . طول موج رنگ برابر زاویهی رنگ در برش دایره مخروط میباشد و در فاصله[0,2π] تعریف می شود، به صورتی که قرمز در زاویه صفر درجه، سبز در زاویه 2π/3 و آبی در زاویه4π/3 قرار گرفته که در انتها، دوباره به قرمزدر زاویه 2π باز میگردد.
٢ . درجه روشنایی رنگ معادل محور مرکزی مخروط است.
٣ . درجه اشباع رنگ برابر فاصله نقطه روی دایره تا محور مرکزی است به گونه ای که در نزدیکی محور، میزان غلظت کمتر است و رنگ مزبور به دسته رنگهای خاکستری میپیوندد.
H مولفه اصلی مورد استفاده در سیستمهای بازیابی است چرا که نسبت به تغییرات جهت تصویربرداری از شیئ یا منظره پایدارتر است. اما با این حال به تغییرات روشنایی به شدت حساس میباشد .
جهت تشکیل هیستوگرام رنگ پس از این فضا به طور خطی کوانتیزه میشود. بهدلیل اهمیتی که فضای H نسبت به سایر مولفه ها دارد، این مولفه به 16بازه و دو مولفه دیگر هر کدام به 4 بازه کوانتیزه میشوند. هیستوگرام رنگ تصویر با شمردن نقاطی که در هر بازه قرار می گیرند، محاسبه شده و به تعداد کل نقاط تصویر نرمالیزه میشود. بردار حاصل از نمایه سازی هر تصویر با استفاده از ویژگی هیستوگرام رنگ HSV ، یک بردار 256 بعدی است.




2-1:ویژگی لبه یکی از سودمندترین الگوریتم ها جهت مشخص کردن تغییرات پیکسل ها و طبفه بندی تصاویر مختلف است. در این مرحله در نهایت قصد بدست آوردن هیستوگرام زوایای گرادیان SRF را داریم. نکته متمایز این مقاله استفاده از عملگر الگوهای باینری محلی LBP به عنوان مرحله پیش پردازش است، به عبارت دیگر به جای آنکه بر روی تصویر خاکستری لبه یابی انجام شود بر تصویر حاصل از الگوریتم LBP ، لبه یابی انجام می شود.


مرجع:ذوالفقاری احمد،خسروی حسین، روشی سریع دربازیابی تصاویر مبتنی بر محتوا با استفاده از ترکیب ویژگی لبه و رنگ، هشتمین سمپوزیم پیشرفت های علوم و تکنولوژی- مشهد- آذر92

رویکرد ترکیبی برای بازیابی تصاویر براساس محتوا بر پایه بافت و رنگ

با رشد روزافزون اینترنت و ابزارهای تصویربرداری دیجیتال، اندازه پایگاه های داده تصویری به سرعت در حال رشد است، در چنین شرایطی، تقاضای شدیدی برای ابزارها و روشهای کارا در جستجوی تصاویر دلخواه در پایگاه های داده بزرگ به وجود آمده است. در سامانه های بازیابی تصویر بر اساس محتوا، سعی بر این است که تصاویری از پایگاه داده که به تصویر پرس و جوی کاربر بیشترین شباهت را دارند به عنوان نتیجه جستجو برگردانده شوند. بازیابی تصویر بر اساس محتوا به عنوان یک جایگزین کاملتر و دقیقتر برای سیستم های بازیابی تصویر بر اساس متن به شمار می رود. برای اندازه گیری میزان شباهت تصاویر در اکثر سیستم های بازیابی براساس محتوا، ویژگی های سطح پایین تصویر از جمله رنگ، بافت و شکل به صورت خودکار از تصاویر استخراج می شود و برداری که بیانگر ویژگی های تصویر است، ساخته می شود.در پایان نامه  رویکرد ترکیبی برای بازیابی تصاویر براساس محتوا بر پایه بافت و رنگ از ترکیب ویژگی های رنگی شامل کارلوگرام رنگ، گشتاورهای رنگ و همچنین ویژگی های بافت شامل فیلتر گابور و تبدیل موجک برای استخراج HSV هیستوگرام رنگ در فضای ویژگی استفاده شده است. همچنین به منظور شناسایی تصاویر مشابه از طبقه بندی نزدیک ترین همسایه استفاده شده است. علاوه بر مسأله بازیابی تصویر، به منظور ارزیابی ویژگی های استخراج شده مسأله طبقه بندی تصاویر نیز با استفاده از یک ماشین بردار پشتیبان انجام شد و در نهایت دقت 89.2 به دست آمد.
ادامه مطلب

کتاب بینایی ماشین با opencv و برنامه های کاربردی با opencv در دو جلد

این دو کتاب بهمراه مثال های خوب مراجعی جامع برای یادگیری بینایی ماشین با opencv ترجمه سرکار خانم دکتر الهام شعبانی نیا می باشند. لذا علاقه مندان به ویدئو های آموزشی می توانند با عضویت در سایت www.faradars.org از جلسات آموزشی ویدئویی ایشان نیز بهره مند شوند.





1 2 3 >>